这个最新无人车模拟环境，让仿真路测效率提升数千倍！华人团队提出，登上Nature子刊

贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI

150亿英里，这是独步全球的自动驾驶公司Waymo的模拟测试里程。

但是这还不够。

有业内人士估计，要完全证明一个算法的安全可靠，模拟测试里程甚至要超过千亿公英里。

那么，有没有在保证可靠性的前提下，大幅降低模拟路测时间和成本的方法呢？

美国密歇根大学的刘向宏教授团队，开发出了一种新的自动驾驶测试环境，直接将现有的同类测试所需里程，减少4个数量级。

这项研究，也发表在了Nature Communications。

模拟效率提高上千倍

2015年，马斯克推测，2018年能实现完全自动驾驶。

2014年，日产曾承诺，到2020年，市场上将有多款、商业上可行的无人驾驶汽车。

但是现在，路上的汽车绝大部分还是L2级辅助驾驶。

为什么汽车制造商总无法兑现当年的Flag？

刘向宏教授领导的密歇根大学Traffic Lab在这篇研究论文中认为，阻碍自动驾驶发展的障碍之一，是测试和评估效率严重低下。

成百上千亿的英里的模拟，成本巨大。

所以，团队开发了一个名为NADE的自动驾驶系统的测试评价环境。

NADE，是naturalistic and adversarial driving environment的缩写，直译为自然-对抗驾驶环境。

顾名思义，NADE通过学习实际道路中背景车辆的行为，能够生成模拟某些对抗性动作，同时保持驾驶环境的真实性。

按照团队给出的测试结果，与类似于Waymo的CarCraft9、百度的AADS10等传统的模拟测试环境（NDE）相比，每跑一英里，至少相当于在以前的几百、几千英里。

在上面的测试结果中，蓝线代表在NDE中的测试结果，底部x轴表示测试次数。红线代表在NDE中的测试结果，顶部x轴为测试次数。阴影代表90%的置信度。

团队总共测试了两个自动驾驶系统，分别称为AV-I和AV-II。

如上图a、c所示，在NADE中模拟的通过对两种系统的测试次数大大减少，获得了与NDE相同的事故率估计结果。

具体计算一下，对于AV-I模型，NADE只需要8.74×104次测试，而NDE需要4.39×107次测试。NADE加快进程约500倍，减少约1000万英里的里程。

同样，对于AV-II车型，NADE需要2.32×104次测试，而NDE需要1.41×108次测试。

新的方法可以让测试进程加快6000倍，减少3500万英里模拟里程。

大大提高模拟测试效率的NADE环境，具体是如何搭建的呢？

如何构建NADE

对于以前常用的NDE来说，构建算法的实质，是对代表NDE复杂性的变量的联合分布进行采样处理。

为了简化高维度的时空分布，一般利用变量之间的时空独立性关系，用马尔科夫决策过程（MDP）和概率图模型（PGM）对NDE进行建模。

环境中的变量，包括天气、道路类型、车辆加速度等等，将它们表示为：

其中xi,j表示第i个BV（背景车辆）在第j个时间点的变量(如位置和速度)，N表示BV数量，T表示总的时间点数量。

NDE的生成是根据变量的自然联合分布进行取样，表示为x ∼P(x)。

由于P(x)的维度极高，所以选择利用变量之间的时空独立性关系来简化问题。假设过程具有马尔科夫属性，联合分布可以用因子化的方式简化为：

其中，u(k)、s(k)分别是在时间步骤?=0,⋯,?时，环境内目标的状（位置）和动作（加速度）。

而NADE要做的，就是求得新的行为分布q(u|s)，替换NDE中的P(u|s)。

为了克服变量维度太高的挑战，团队选择在重要的时刻选取车辆POV（主目标）的方法。

为了识别POV，研究人员将识别边界点定义为暴露频率P(ui|s)和机动挑战P(Ai|s,ui)的乘积：

其中Ai表示第i个BV与被测AV之间的事故。右侧的第一部分是暴露频率。第二部分是机动挑战，该机动挑战表示在给定状态的事故概率。

所以，最后，新的NADE行为分布概率可以表示为：

其中，C c（s）是所有背景车辆的动作总和。

得到基本的NADE架构之后，如何来评判一个自动驾驶算法的表现呢？

具体来说，如果将感兴趣的事件（比如自动驾驶事故）表示为A，则可以通过以下性能估计方程，来评判自动驾驶算法优劣：

本文提出的方法，以及增强现实测试环境，将于2021年在美国移动中心（ACM）部署。

部署NADE意义在于，可以让企业或有关部门大大降低在安全、可控、可重复的测试环境中验证算法的总体成本和周期。

华人团队主导

本研究的第一作者封硕，目前在美国密歇根大学安娜堡分校做博士后。

封硕本科和博士学位都在清华大学自动化系获得，研究方向是优化控制、互联和自动驾驶评估以及交通数据分析。

封硕所在的Traffic Lab实验室，由刘向宏教授领导。刘教授也是本文的共同通讯作者。

刘向宏博士现任美国密歇根大学土木与环境工程系终身职正教授、密歇根大学交通研究所(UMTRI)研究教授，北京航空航天大学客座教授、兼职博士生导师。

刘向宏1993年本科毕业于清华大学汽车工程系，2000年在威斯康星大学麦迪逊分校取得博士学位。

刘教授是交通工程领域论文引用率最高的学者之一，他发明的用于精确测量交叉路口的排队长度和旅行时间的SMART-Signal系统于2012年取得美国国家专利，并已在美国明尼苏达州和加州得到广泛应用。

论文地址： https://www.nature.com/articles/s41467-021-21007-8#Sec8

— 完 —

本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。